Bagaimana timeframe memengaruhi WMA?
Apa itu WMA sebelum timeframe menjadi penting
Weighted Moving Average (WMA) adalah rata-rata bergerak di mana observasi yang lebih baru menerima bobot lebih tinggi daripada yang lebih lama. Rata-rata dihitung dari sekumpulan titik data masa lalu yang dipilih ( jendela observasi ) menggunakan bobot yang biasanya menurun seiring bertambahnya usia observasi.
Timeframe memengaruhi WMA dalam dua cara yang saling terkait:
- Panjang jendela dalam “waktu”: jika Anda memilih timeframe yang lebih panjang, jendela observasi dapat mencakup lebih banyak waktu nyata.
- Jarak antar observasi: dengan observasi yang lebih sedikit dan lebih berjauhan, jumlah titik yang sama mewakili pergerakan dunia nyata yang berbeda.
Karena WMA menekankan kebaruan, WMA secara inheren sensitif terhadap seberapa jauh ke belakang Anda melihat dan seberapa sering Anda mengambil sampel.
Bagaimana timeframe mengubah mekanisme WMA
Untuk membahas implikasi tanpa mencampur asumsi variabel, pisahkan mekanisme yang stabil dari pilihan variabel.
Mekanika stabil (konseptual):
- WMA menggunakan sejumlah titik masa lalu yang tetap (misalnya, N titik) dan menetapkan bobot yang meningkat untuk titik yang lebih baru.
- Nilai WMA yang dihitung pada waktu t bergantung pada N yang dipilih dan titik data mana yang berada di dalam jendela.
Apa yang berubah dengan timeframe:
- Jika Anda mempertahankan N yang sama tetapi mengubah interval pengambilan sampel (misalnya, dari data satu menit menjadi lima menit), setiap titik mewakili rentang waktu yang berbeda. WMA menjadi penghalusan dari perilaku “skala waktu” yang berbeda.
- Jika Anda mempertahankan interval pengambilan sampel yang sama tetapi mengubah N, Anda secara langsung mengubah jendela observasi: N yang lebih besar berarti informasi yang lebih lama masuk dengan bobot yang relatif lebih kecil, tetapi hasil keseluruhan tetap menggabungkan lebih banyak riwayat.
Konsekuensi material:
- Observasi yang lebih pendek dan lebih responsif cenderung mengurangi lag tetapi meningkatkan sensitivitas terhadap pergerakan jangka pendek.
- Observasi yang lebih panjang dan lebih menghaluskan cenderung mengurangi noise tetapi meningkatkan lag, terutama selama perubahan mendadak.
Bukti melalui contoh terkontrol (dengan asumsi eksplisit)
Asumsikan:
- Titik data Anda berjarak sama dalam waktu.
- Anda menghitung WMA dari tepat N titik dengan bobot yang meningkat menuju titik terbaru.
- Anda membandingkan dua pengaturan menggunakan rangkaian input yang sama, tetapi dengan interval pengambilan sampel atau N yang berbeda.
Sekarang bayangkan pergerakan seperti langkah dalam rangkaian harga yang mendasarinya (kenaikan persisten dimulai pada suatu waktu). WMA yang didasarkan pada pengambilan sampel yang lebih baru dan lebih cepat akan mulai bergeser lebih awal karena titik terbaru masuk lebih cepat relatif terhadap pergerakan dunia nyata. WMA dengan jendela observasi yang lebih panjang masih akan bergeser ke atas, tetapi kurva akan berbelok lebih lambat karena observasi yang lebih lama tetap berada dalam perhitungan.
Ini menggambarkan sensitivitas timeframe: WMA tidak hanya “tentang pembobotan titik terbaru,” tetapi juga tentang seberapa cepat informasi baru mencapai ujung jendela.
Keterbatasan, mode kegagalan, dan apa yang dapat Anda verifikasi
1) Lag bukanlah bug; itu adalah properti dari penghalusan
Rata-rata bergerak apa pun menghaluskan dan karenanya dapat tertinggal di belakang perubahan mendadak. Timeframe dapat membuat lag ini terlihat lebih besar atau lebih kecil. Mode kegagalan yang umum adalah mengharapkan perubahan WMA bertepatan dengan titik balik.
2) Pergeseran rezim mengubah perilaku di berbagai timeframe
WMA yang tampak efektif pada satu jenis pergerakan (tren lambat) mungkin berperilaku berbeda selama jenis pergerakan lain (rentang cepat dan tidak menentu). Timeframe memengaruhi keseimbangan antara penampilan “mengikuti tren” dan “mengejar noise”.
3) Interval data dan detail perhitungan harus cocok
Karena WMA bergantung pada titik mana yang disertakan, hasil dapat berbeda jika:
- interval data berbeda,
- data yang hilang ditangani secara berbeda,
- atau perhitungan menggunakan definisi bobot yang berbeda.
Pendekatan verifikasi:
- Pilih deret waktu historis.
- Hitung WMA untuk beberapa timeframe/pengaturan menggunakan formula yang persis sama dan interval data yang konsisten.
- Bandingkan bagaimana perubahan timeframe mengubah kehalusan dan lag.
Verifikasi atau pertanyaan berikutnya
Jika Anda ingin memvalidasi efek timeframe secara independen, langkah kunci berikutnya adalah membandingkan output di berbagai timeframe sambil menjaga asumsi tetap eksplisit: rangkaian input yang sama, interval pengambilan sampel yang konsisten, dan ukuran jendela serta metode pembobotan yang dinyatakan dengan jelas.
Anda mungkin juga ingin memeriksa bagaimana WMA berperilaku di bawah berbagai jenis pergerakan pasar (tren lambat vs. ayunan frekuensi tinggi) tanpa berasumsi bahwa satu timeframe akan dapat digeneralisasi.